如何运用数字化、人工智能助力智能工厂
IBM认为，制造业企业要实现逆势成长，构建无边界的智能制造，需要打造三大能力:
-
第一是数智战略，通过端到端的顶层设计和可落地的执行路径，用动态化的数据辅以智能技术灵活配置业务资源，为智能工作流奠定基础。
-
第二是平台模式，基于“打破边界、整合共享”的原则，让企业有效摆脱在多元化和专业化之间的矛盾，从而有效提升企业竞争力。其中的“边界”不仅是企业外部的，企业内部不同部门之间也要打破边界，财务部、业务部、销售部、生产部进行整合共享，才能提升整个企业的竞争力。
-
第三是新兴技术，通过算法和场景驱动人工智能，增强企业的运营绩效和协同效率。运用物联网和边缘计算技术，搭建数字化工厂。在制造执行系统（MES）的基础上搭建工业互联网平台，实现全过程可视、质量全流程可追溯的智能制造。借助区块链促进数据共享与业务协同，降低运营成本。
以上三大能力是逐步演进、相辅相成的。技术是基础，平台为载体，最后要贯彻的是企业的数字化、智能化战略。数智战略并非一蹴而就，需要同企业当前的信息化、数字化能力相结合，并制定分阶段的演进目标。第一阶段主要是夯实基础，完善基础业务相关的信息化系统建设和数据基础建设，规划未来的建设方向；第二阶段要重点先行，开展重点的数字化项目，取得速赢，获取关键利益相关人的认可和支持；第三阶段是不断完善拓展，完成数字化平台整体搭建，并拓展数字化创新业务和应用。
IBM本身有非常强大的实施数智战略的方法论，比如车库创新方法论。通过几天的工作坊，帮助企业厘清业务现状、未来愿景，找到目前的突破点以及正确的发展路径。这套方法论以轻咨询的方式提供，IBM现在非常愿意把这些能力共享给我们的客户，对于选定的客户，IBM科技事业部有专门的Client Engineering团队为他们提供服务，与客户一起创新并实现共赢。
接下来，我就结合制造业的典型场景，从数智化战略落地、平台模式和新兴技术采用这三个维度，来分享一下我们在大中华区市场与制造业客户携手共创的实践与观察。
首先是数智战略的落地。我以制造业的一个重要业务场景为例，产销协同是近两年在制造业一个非常火的概念。从2020年疫情开始，整个供应链面临着非常大的不确定性。这种情况下，产销脱节的传统方式会给企业带来很大风险。因此，我们讲产销协同，本质是要以市场为导向，让供应链上各个单位的生产要配合市场需求，生产、库存、物流等也要同市场进行有效打通。产和销之间要达到一种动态的平衡，同时实现从前端的销售到后端的生产，以及物流供应链、财务，全链条的跨部门协调。
例如，某重型卡车集团亟需开展端到端拉通的“以终端用户体验为核心”的数字化顶层设计，以指导各项业务，尤其是供应链领域的转型机会，并明确企业数字化平台的建设思路。IBM 帮助该企业开展了业务分析与数智化能力诊断，构建了以产供销协同为核心的数智化转型愿景，规划并落地了相应的数字化IT架构。
在端到端拉通的顶层设计指导下，该企业瞄准用户体验，以新技术为支撑，开展了多个变革项目，包括个性化高质量的产品研发、高效精确的订单交付、长久互动式的客户关系等，并最终实现了销售增长、敏捷响应、协作共赢和质量提升。
讲到平台模式，IBV在报告中指出，业务平台和数据平台是近年来企业迈向智能制造的优先选择。大数据分析平台在这样的平台战略中应运而生，其核心在于深入洞察横向行业与纵向业务，向前打通业务场景，向后横向拉通运营数据，从而帮助创造和实现业务价值，实现可持续的竞争优势。我们依然以企业的业务场景为例，现在，这样的大数据分析平台在企业中的旺盛需求来自于业财一体化平台。业财一体化，就是当企业做出任何生产和业务决策的时候，能够很快了解到这些决策对财务最终三张表（资产负债表、利润表、现金流量表）的影响，反之亦然，从而实现业务与财务的深度融合，从而真正实现降本增效。前面提到的产销协同就是基于这一平台的业务场景。
作为技术价值的输出者，IBM通过业界独一无二的业财一体化平台“三部曲”，为客户提供以下能力：
第一，计划。计划本身是跨部门的，从全面预算、销售计划、生产计划到供应链计划、物流计划，但事实上大部分企业的计划都没有形成有效的联动，从而大大削弱了计划的有效性和时效性。IBM通过整合、灵活、易用的业财一体化平台能够帮助企业打破计划孤岛，在单一平台上实现企业战略、财务和运营层面的计划、预算、合并、分析、测算等各类业务需求，并依托世界级的领先技术，针对企业日益增长的大数据量实现实时响应和联动，从而有效应对企业多变的内外部市场环境，满足企业精细化管理的要求。例如，当销售端的计划有变，它会实时联动地影响到生产计划、物流计划等，并快速落实到财务的潜在结果。
第二，预测。基于业财一体化平台，我们可以帮助企业在各个环节进行有效的预测，例如需求端的销售预测、生产端的产品质量预测等，让企业能够在激烈的市场竞争中占得先机。
第三，优化。有了高效的计划、有效的预测，那么如何在企业有限的人、财、物等资源的情况下，实现最高的效率和最大的效益呢？这就是优化所解决的问题，也是现在企业所普遍关注的议题，典型的场景有生产的智能排产、物流的路径优化和门店的人员排班等。IBM强大的优化引擎能够保证输出结果的最优性、时效性和稳定性。
IBM的业财一体化平台可以非常好地支撑企业各个部门的多种应用场景，同时又可以把这些应用场景高效地拉通整合在一起。不同的企业会按照业务的优先级，从一个部门的某个特定应用场景启动平台的搭建，而IBM平台能够很好地满足企业未来三年、五年甚至十年的业财一体化数字化转型需求，从而使得企业的数智化战略能够得到长期、有效的贯彻。
以国内某大型整车制造企业为例，该企业之前采用国际知名ERP预算系统去做全面预算，但是局限于系统架构和功能的局限性，之前的两期实施都不顺利。由于企业精细化管理对全面预算系统提出了越来越高的要求，已经超越了纯粹财务系统的范畴，而原有的预算系统完全无法满足。具体体现在，首先系统需要更灵活，在企业组织架构、产品线或者外部竞争态势等日常变化时，能够在系统中无需开发就能快速调整。其次，系统需要具备实时测算的能力，并对各个版本进行实时对比分析。再次，精细化管理下对数据的颗粒度要求非常细，会细化到每个车型、每个细分市场、每个物料单位、每个SKU（最小存货单元）等，原有的预算系统完全无法达到性能要求和分析要求。最后，系统需要最大化地让财务同事保留熟悉的Excel使用习惯，减少学习成本，系统还需要与原有的OA系统进行有效集成。
去年（2021年），IBM采用Planning Analytics平台全面替换该企业原有的系统，并基于这一平台搭建起从集团、工厂到各部门的全面预算系统，提供预算编制全过程的目标下达、在线编制提交汇总，多上多下的审批管控过程能力。同时，建立了关键指标监控和自动化分析，利用强大的分析能力来增强预算过程的管控和纠偏，确保经营目标的落实。在此基础上，双方还计划继续推进二期、三期项目，业务场景包括整车经济性、装备经济性和材料成本分析等。
由此可见，单一的Planning Analytics平台能够满足企业从战略、财务到运营各方面的绩效管理需求，它不仅提供了强大的灵活性和高性能，还与Excel进行无缝整合，并融入了IBM强大的数据分析能力，以确保能够为企业持续迭代的业务需求提供有效支持。
如果企业从全面预算开始搭建平台，当上述的产销协同需求出现时，企业可以基于同样的平台进行快速扩展。企业在业财一体化平台的搭建过程中，可以持续叠加新产生的不同的业务场景。而且之前场景中定义的维度或者模型，在后面的应用中是可以复用的，因此随着叠加的应用越来越多，后期应用的开发周期也会越来越短，这也是为什么IBM会特别强调平台方法的重要性。
再以某家全球领先的手机制造厂商为例，这家企业要优化管理报表应用。该企业业务跨全球各大区域，产品线很长，需要实时了解哪个区域、哪条产品线是盈利的，依托产品多维盈利性分析来进行业务决策。这其中的一个最大的难点在于有大量的成本需要分摊，比如办公设施的固定成本、人力资源的固定成本等。这些成本必须要拆解到不同的区域、产品线，才真正使得多维盈利分析成为一种可能。当企业到达一定规模后，分摊量就非常大，而该手机制造厂商原有系统就碰到了很多挑战，比如分摊的时效性，做一次全域的分摊就要三个小时以上，而如果分摊结果不准确则还会需要三个小时，长此以往，已经无法满足精细化管理的要求。再如，分摊的规则经常发生变化，原有系统无法进行灵活配置，需要通过后台开发才可以满足。还有，分摊的多个测算版本无法直接进行比较。
IBM依然基于上述的Planning Analytics平台为该企业重新构建了多维盈利分析系统。如今，该企业的一次全域分摊已经缩短到20分钟以内，而且分摊规则的变化是可以由业务同事配置完成的，也就是当企业本身的分摊规则、分摊因子或分摊权重发生变化的时候，只要在系统里进行简单的配置就可以实现了。高效分摊之后的不同版本之间可以通过可视化手段进行直观对比。IBM的一财一体化平台真正提升了企业的运营效率，同时让多维盈利分析变得实时、高效和灵活。
说到应用新兴技术，混合云与AI是IBM的战略聚焦点，我就以数据和人工智能应用为例来进行说明。IBM的人工智能与语音识别、人脸识别这样的消费者级别的人工智能（AI for Consumers）不一样，我们致力于企业级的商用AI（AI for Business）应用，看重AI能在企业端的落地，为企业创造真正的业务价值。
梳理一下当今数字经济的发展，数据量爆炸式增长，数据种类发生了翻天覆地的变化，企业内外部都不缺乏数据，缺的是高质量的数据，以及由数据产生的洞察。随着算力的增强，AI有了商业应用的可能性，比如AI在工业制造中的应用。IBM所专注的企业级商用AI，能够帮助企业解决他们最为关注的三个挑战：预测、自动化和优化。
在预测方面，IBM成功帮助国内一家大型的钢铁制造型企业进行质量检测，对最终产品进行性能预警。该企业原有的方式是物理检测，流程非常长，延缓了整个产品的出厂时间。而且由于取样受到非常多因素的影响，所以检测结果并不稳定。运用业界领先的IBM SPSS Modeler机器学习平台，该企业快速搭建和发布了基于产品性能预警的机器学习模型。客户使用该平台快速建立了能够预报6个性能指标的机器学习模型，能够很好地替换物理实验结果，产品交付效率得到大大提升。这一平台在企业端的应用已经超过两年，并得到了非常好的反馈。
在自动化方面，以国内大型的整车制造型企业华晨宝马为例，该企业的客户服务中心需要支持大量的问询，亟待引入智能数字员工来提供持续运营，在降低成本的同时提升客户服务质量。我们利用IBM数字员工解决方案Watson Assistant和Watson Discovery帮助华晨宝马构建了数字化员工，支持超过700个经销商和生产工厂，涉及近10个业务部门的问题和近100个IT系统问题。
另一个自动化方面的成功案例是某国家级超算中心通过IBM Cloud Pak for Watson AIOps有效地将网络环境维运的MTTD（平均检测时间）降低了55%。这一解决方案将原本各自分散孤立的IT堆叠和工具中的数据汇集在一起，从而提供整个IT基础架构环境的全貌视图，连接整个环境中的应用数据并预测未来的事件，提前警示IT相关问题以及进行根因查找，并建议可行的解决方案 。
在优化方面，某国内全球领先的汽车零部件企业急需优化其排程效率。人工排程成本高，队伍很难拓展，响应速度慢，例如在临时插单情况下很难在短时间内进行重新排程。IBM为企业部署了以Decision Optimization（CPLEX）为核心的供应链智能协同平台，不仅作为工厂日常运营的核心，还驱动了工厂运营模式和组织架构的变革。在及时响应客户需求的同时，全方位系统性地提升了工厂运行效率。借助智能排产系统，企业的计划执行效率提高了95%，实现了准时排程。当有插单情况发生时，系统可以在15分钟之内对全天生产计划进行重新编排，既能够响应市场的变化，又最大限度发挥了整个产线的效能。
从这些成功案例当中，我们不难看出，尽管挑战依旧严峻，但仍有一波制造企业实现了逆势成长，他们通过加速采用新的技术与工具，依托大数据、人工智能开展数据为先的创新，重塑和优化自身的业务运营、商业模式和客户体验，获得了降本增效的直接收益，并赢得了新的增长机遇。在这条成长、探索之路上，IBM愿意成为值得这些企业信赖的可靠的技术合作伙伴。
世界500强（飞利浦）中国制造 MES系统标准制定者
